torchaudio.compliance.kaldi.spectrogram¶
- torchaudio.compliance.kaldi.spectrogram(waveform: Tensor, blackman_coeff: float = 0.42, channel: int = -1, dither: float = 0.0, energy_floor: float = 1.0, frame_length: float = 25.0, frame_shift: float = 10.0, min_duration: float = 0.0, preemphasis_coefficient: float = 0.97, raw_energy: bool = True, remove_dc_offset: bool = True, round_to_power_of_two: bool = True, sample_frequency: float = 16000.0, snip_edges: bool = True, subtract_mean: bool = False, window_type: str = 'povey') Tensor[源代码]¶
从原始音频信号创建频谱图。这与 Kaldi 的 compute-spectrogram-feats 的输入/输出相匹配。
- 参数
waveform (Tensor) – 音频的 Tensor，形状为 (c, n)，其中 c 的范围是 [0,2)
blackman_coeff (float, optional) – 广义 Blackman 窗口的常数系数。(默认值:
0.42)channel (int, optional) – 要提取的声道 (-1 -> 期望单声道, 0 -> 左声道, 1 -> 右声道) (默认值:
-1)dither (float, optional) – 抖动常数 (0.0 表示无抖动)。如果关闭此项，则应设置 energy_floor 选项，例如设置为 1.0 或 0.1 (默认值:
0.0)energy_floor (float, optional) – 频谱图计算中能量的下限 (绝对值，非相对值)。注意：此下限应用于代表总信号能量的零阶分量。单个频谱图元素的下限固定为 std::numeric_limits<float>::epsilon()。(默认值:
1.0)frame_length (float, optional) – 帧长（单位：毫秒）(默认值:
25.0)frame_shift (float, optional) – 帧移（单位：毫秒）(默认值:
10.0)min_duration (float, optional) – 要处理的段的最小持续时间（单位：秒）。(默认值:
0.0)preemphasis_coefficient (float, optional) – 信号预加重使用的系数 (默认值:
0.97)raw_energy (bool, optional) – 如果为 True，则在预加重和加窗之前计算能量 (默认值:
True)remove_dc_offset (bool, optional) – 从每个帧的波形中减去均值 (默认值:
True)round_to_power_of_two (bool, optional) – 如果为 True，则通过对 FFT 输入进行零填充将窗口大小四舍五入到 2 的幂。(默认值:
True)sample_frequency (float, optional) – 波形数据采样频率 (如果指定了，必须与波形文件匹配) (默认值:
16000.0)snip_edges (bool, optional) – 如果为 True，则通过仅输出完全适合文件的帧来处理边缘效应，并且帧数取决于 frame_length。如果为 False，则帧数仅取决于 frame_shift，并且我们会在边缘反射数据。(默认值:
True)subtract_mean (bool, optional) – 减去每个特征文件的均值 [CMS]；不建议以此方式进行。(默认值:
False)window_type (str, 可选) – 窗口类型（‘hamming’|‘hanning’|‘povey’|‘rectangular’|‘blackman’）（默认值：
'povey'）
- 返回
一个与 Kaldi 输出相同的频谱图。形状为 (m,
padded_window_size // 2 + 1)，其中 m 是在 _get_strided 中计算的- 返回类型
张量
